首页|基于不同机器学习模型的石油测井数据岩性分类对比研究

基于不同机器学习模型的石油测井数据岩性分类对比研究

扫码查看
原文链接
  • 万方数据
  • 维普
特定的计算工具帮助地质学家识别和分类油井钻探的岩石岩性,降低成本并提高工作效率.机器学习方法集成了大量信息,能够高效地实现模式识别和准确决策.文章将挪威海 5 口油井进行岩性分类,通过将数据随机分为训练集(70%)和测试集(30%),利用多变量测井参数数据进行训练和验证,对比多层感知器(MLP)、决策树、随机森林和XGboost等模型的应用效果.研究结果显示,XGBoost模型在数据的泛化性方面表现更佳,其准确率为95%;随机森林模型次之,准确率为 94%;而多层感知机(MLP)和决策树模型表现出较好的鲁棒性,准确率分别为92%和 90%.
Comparative study on lithology classification of oil logging data based on different machine learning models
Specific computational tools assist geologists in identifying and classifying the lithology of rocks in oil well exploration,reduc-ing costs,and enhancing operational efficiency.Machine learning methods integrate a vast amount of information,enabling efficient pat-tern recognition and accurate decision-making.This article categorizes the lithology of five oil wells in the Norwegian Sea,randomly di-viding the data into a training set(70%)and a test set(30%).Using multivariate well log parameter data for training and validation,the application effectiveness of models such as Multilayer Perceptron(MLP),Decision Tree,Random Forest,and XGBoost is com-pared.The research results indicate that the XGBoost model outperforms others in terms of data generalization,achieving an accuracy of 95%.The Random Forest model follows with an accuracy of 94%.Meanwhile,Multilayer Perceptron(MLP)and Decision Tree models exhibit good robustness,with accuracies of 92%and 90%,respectively.

lithology identificationmachine learningoil loggingXGBoost gorithmrandom forest

江丽、张智谟、王琦玮、封志兵、张博程、任腾飞

展开 >

东华理工大学 放射性地质与勘探国防重点学科实验室,江西 南昌 330013

东华理工大学核资源与环境国家重点实验室,江西 南昌 330013

中国石油辽河油田辽兴油气开发公司,辽宁盘锦 124000

岩性识别 机器学习 石油测井 XGBoost算法 随机森林

放射性地质与勘探国防重点学科实验室开放基金江西省教育厅科学技术研究项目中国铀业有限公司—东华理工大学核资源与环境国家重点实验室联合创新基金中国核工业地质局生产中科研项目东华理工大学博士科研启动基金

2020RGET06GJJ2200752023NRE-LH-08202311-5DHBK2019087

2024

10.11720/wtyht.2024.1492

物探与化探
中国国土资源航空物探遥感中心

物探与化探

CSTPCD
影响因子：0.828
ISSN：1000-8918
年,卷(期)：2024.48(2)
  • 21